基于視覺定位的LED送料器

盧 軍，張傳凱

（陜西科技大學 機電工程學院，西安 710021）

0 引言

LED技術被認為是二十一世紀有前途的高科技技術之一，要發展LED產業，先進的機器設備是必不可少的。LED生產線設備主要包括印刷機、點膠機、貼片機、回流焊和清洗檢測裝備等，其中，貼片機是整個環節的關鍵，其貼裝精度與速度決定了整條生產線的質量與生產速度[1]。

新一代的全自動LED粘片機是融合了機電學、光電學、電氣等學科知識的高度自動化設備。在滿足生產需求的同時，LED粘片機的速度和精度逐漸上升為一對主要矛盾，這是LED封裝的特點[2]。送料器作為貼片機的重要部件，決定著工件的輸送精度，帶式LED送料器在送料時容易出現卡帶、抖動的問題。在吸嘴吸附的環節，傳統的送料器沒有檢測環節，料帶中如有遺漏的工件，吸嘴會空運行，降低了貼裝效率。

目前在國際與國內LED芯片檢測領域視覺伺服定位技術是熱點又是難點[3]。機器視覺利用計算機模擬人的視覺功能，從客體的圖像中提取信息，并對這些信息進行處理、理解, 將結果應用于檢測、測量、控制，在檢測領域應用廣泛[4]。

LED燈片正面的污損情況影響最終產品的照明效果。現有的貼片機會在吸取工件后進行燈片背面管腳檢測，對于正面污損的情況，無法識別檢測，

針對以上問題，本文對送料器進行了結構改進，將機器視覺應用到送料器中，在吸取之前對LED進行識別定位以及正面的污損檢測。

1 送料器的結構設計

在專利[5～7]中的帶式送料器輸送部分采用單棘輪，為了使送料更加穩定，避免卡帶，對送料器關鍵部件進行改進設計，設計示意圖如圖1所示。

LED燈封裝在料帶中，在對其進行吸取之前，必須將頂膜與基帶分離。送料器的送料部分主要由前棘輪，后棘輪、同步帶輪、同步帶和步進電機組成。前棘輪為主動輪，后棘輪為從動輪，對于工作部分的料帶，前棘輪機構實現對料帶推的操作，后棘輪實現拉的操作，兩棘輪實現對料帶的定位，減緩工作部分的震動與卡帶。

下摩擦輪與上摩擦輪構成頂膜的撕取結構。下摩擦輪與上摩擦輪的擠壓產生摩擦力，為頂膜的運動提供動力，下摩擦輪與前棘輪的反向轉動實現基帶與頂膜的分離撕取。工件視窗主要用于吸嘴吸取工件，蓋板主要是防止工件過度震動，支撐板實現對基帶的支撐作用。相機在視窗的正上方，提取工件的圖像信息。

采用微型步進電機作為驅動源,相比傳統的氣缸驅動,能實現加減速控制，使元器件傳送更為平穩。為了視覺提取圖像采集中一次采取三個工件，結合LED的封裝特性，設定電機每次實現的步進距離為12mm。

2 視覺系統設計

視覺主要實現對燈片的定位檢測，系統流程如圖2所示。

圖2 工作流程圖

送料器的視覺系統主要實現對LED的定位，以及正面污損檢測。料帶安裝完畢后，視覺系統開啟，獲取圖像信息，進行圖像前處理，提取物體的特征輪廓，檢測是否有工件存在，未檢測到工件時，驅動送料電機，進行物料的輸送。當存在工件時，進行工件的位置定位，檢測合格、受污嚴重、缺損（崩角）的燈片。提取存儲合格燈片的位置信息，用于吸嘴的吸取控制。

圖像采集的任務是獲取工件表面的原始信息，是識別定位的基礎。結合LED的封裝特性，圖像采集時要求相機以下視方式拍攝，多燈片同時采集，同時識別。

圖像采集由圖像采集系統來完成，該系統由硬件與軟件部分組成。

由于戰亂，下江的形勢十分吃緊，和祥軒東家黎老板也常住在上河的河口。生意也一天比一天清淡，黎老板也只是無奈地擺擺頭。這種情形一直持續到內戰爆發。直到有一天，和祥軒的東家黎老板突然收到一封大公子從南京城寄來的信，大公子在南京城里當差。東家打開信一看，是大少爺敦促他把田產和鋪面都賣掉，而且是越快越好。黎老板在茶房里氣得不行，并惡罵大少爺是“娘的敗家子”。他把這封信也給張滿春看了，張滿春也覺得大少爺太糊涂，掙得一份家業容易嗎？既然掙上手了又何必賣掉，不是腦子出了毛病？同樣內容的信黎老板之后又收到了好幾封，而且一封比一封催得急切。東家只是感嘆道，瘋了，他簡直是瘋了。

硬件部分主要包括：1）筆記本電腦；2）相機；3）鏡頭，4）工件。其中相機采用工業級300萬像素CMOS彩色像機，為了配合個人電腦同時為了即插即用，選用USB接口。

圖3 工業相機

軟件部分主要包括Microsoft Visual C++開發環境和主流計算機視覺開發庫Open Source Computer Vision Library（OpenCV）[8]。

3 算法設計與實現

對于整體算法的程序在VC環境中實現，結合OpenCV中的函數進行LED的圖像處理。

3.1 圖像前處理

本系統像機采集到的圖像是彩色圖像，三通道，原始圖像存在噪聲，為了突出識別目標物，減少噪聲干擾，需要對圖像進行前處理。

3.1.1 灰度化

采集到的原始圖像是彩色圖像，彩色像素點是由R（紅色）、G（綠色）、B（藍色）三元色混合而成的，有三個通道。灰度圖是一種從黑到白256級灰度等級的單色圖像。將彩色圖像灰度化，以便減少內存空間，加快處理速度，本文采用加權平均法，對彩色圖像進行灰度化處理，I(i,j)是處理后圖像的灰度像素值。函數為：

3.1.2 閾值分割

閾值分割是將灰度圖轉為二值圖，將目標物體與背景分離開，進一步降低后續處理的難度。針對實驗圖5，運用MATLAB工具中的函數對其灰度圖進行灰度統計，得到灰度直方圖如圖4所示。

圖4 灰度直方圖

從灰度直方圖可以看出，燈片的灰度主要集中在50～150，背景集中在0～50，具有明顯的劃分。利用最大間方差法（Otsu）對圖像進行閾值分割。

求取δ的最大值，對應的閾值T就是要尋找的最優閾值。利用這個閾值T對原始圖像進行分割處理，處理效果如圖5、圖6所示。

圖5 原圖

圖6 二值圖

3.1.3 腐蝕膨脹處理

閾值后，二值圖像會出現噪聲點，如椒鹽噪聲，影響目標物體的識別，需要對二值圖像進行腐蝕膨脹處理，運用cvDilate與cvErode函數完成，為物體識別奠定基礎。

3.2 特征提取

輪廓提取[10]決定著目標特征識別的準確性。雖然Canny[11]之類的邊緣檢測算法可以根據像素間的差異檢測出輪廓邊界的像素，但是它并沒有將輪廓作為一個整體，OpenCV中有一個應用廣泛并且方便的函數cvFindContours可以把邊緣像素組裝成輪廓，以鏈表的形式儲存輪廓，方便了下一步的特征提取。運用函數cvFindContours計算目標輪廓數，如果輪廓為0，則判定無工件，則控制輸送電機，進行工件的傳輸。

3.2.1 工件形心提取

吸嘴吸取工件的理想位置為其形心，吸取工件依靠真空負壓，吸嘴中心位置與形心位置偏離太大，容易漏氣，吸力不足，甚至吸取失敗。因此工件的定位精度對吸取結果有重要影響。

根據處理對象的特征，利用先驗知識提出針對性的特征提取方法，具體方法如下：

1）對閾值后的二值圖像進行輪廓提取，計算出每個鏈表包含的像素數。

2）目標輪廓的提取，判斷輪廓像素的個數，小于特定值的認定為噪聲，否則認定為工件，對其進行特征提取。

3）對篩選后的輪廓進行特征提取，即目標輪廓進行特征提取。

4）對輪廓中所有邊界點的X坐標和Y坐標分別進行循環判斷，從而得到X和Y的最大值和最小值，XY最大值的點即為工件的四個極點。

5）得到四個極點的坐標，按順時針方向，對兩相鄰點之間的輪廓點進行直線擬合。

6）直線擬合后，確定兩相交直線的交點。分別對四點的X坐標與Y坐標取平均值，確定工件的形心坐標。

3.2.2 工件污損檢測

燈片的工作面為上表面，正面的污損情況不僅影響美觀，更重要是影響最終成品的照明效果，如圖7、圖8所示。

圖7 受污工件

圖8 缺損工件

根據輪廓的面積來判斷污染程度，設正常輪廓面積為T0-T1，檢測到的目標在正常范圍內認定為合格工件，存取其形心位置，當在范圍之外，則進一步檢測，判斷其形心與相近合格輪廓的關系，如果在輪廓范圍內，則認定為受污工件，如果不在輪廓范圍內，認定為缺損工件，不對其進行形心儲存。

4 實驗測試與分析

為確定正常輪廓范圍，判斷輪廓的面積，實驗采取30張合格圖像，計算出90個燈片的輪廓面積，運用OpenCV中的函數得出數據后統計如圖9所示，從圖中可以看出輪廓面積在29015～29024之間，因此在此范圍內的認定為合格工件。

圖9 輪廓面積分布圖

定位機制通過單目相機，并給予C++、OpenCV編程完成對目標視野的取像，對合格工件識別定位，效果如圖10所示，得到的特征參數如表1所示。

圖10 定位效果圖

表1 圖形實驗結果

對污損件進行識別，對于合格工件的形心進行存儲，并進行十字標記，效果如圖11～圖13所示。

圖11 遺漏識別圖

圖12 受污識別圖

圖13 缺損識別圖

從圖中得知，本識別檢測方法可以對合格工件正確識別，同時可以剔除受污工件與破損工件。

為測試方法的識別率，實驗獲取30副不同情況的圖像（90個工件），對其進行檢測定位，算法識別率如表2所示。

表2 算法檢測結果

從表2中可以看出，正常工件的識別率在95%以上，受污缺陷的識別率相對其余兩個較低，通過分析圖像情況得知，主要原因是污染位置處于工件邊緣的情況下會誤判為缺損缺陷。

5 結束語

為了提高送料器的吸附精度，正確吸附合格工件，減緩卡帶現象，減少拋料的次數，本文提出了一套識別、定位、檢測方案，利用雙棘輪實現工件的傳送與粗定位，運用VC平臺結合OpenCV實現機器視覺對工件的檢測。與普通的送料器相比，運行更加穩定，吸附精度高，實現吸附前的檢測與定位，拋料機率低，間接的提高了貼片機的貼片效率與LED燈的合格率，具有很高的使用價值。

[1] 李清國.高速高效LED專用貼片機關鍵技術研究[D].廣東廣州,廣東工業大學.2012.

[2] 劉靜.LED封裝設備中關鍵運動結構的動態特性分析及優化[D].無錫市.江南大學.2013.

[3] 吳曉.L E D芯片粗精定位系統[J].紅外與激光工程,2013,42(9):2478-2484.

[4] H.Golnabi, A.Asadpour. Design and application of industrial machine vision systems[J].Robotics and Computer Integrated Manufacturing,2007,23(6):630-637.

[5] 河口悟史.帶式送料器[P]:中國,21320308772.2,2013.11.27.

[6] 伊藤恒太.帶式送料器的選定裝置、表面安裝機以及帶式送料器[P]:中國,201310314394.3,2014.03.12.

[7] 大塚俊英.送料器[P]:中國, 201220340449.9,2013.02.27.

[8] 于仕琪,劉瑞禎.學習OpenCV(中文版)[M].北京:清華大學出版社,2009.

[9] 王磊,段會川.Otsu方法在多閾值圖像分割中的應用[J].計算機工程與設計,2008,29(11):2844-2845,2972.

[10] 米蘭,許海波.基于邊緣提取的圖像拼接[J].計算機應用研究,2007,24(5):318-320.

[11] Canny J.A computational approach to edge detection[J].IEEE Transaction on Pattern Analysis and Machine intelligence,1986,8(6):679-698.